第一章 用大白话理解 RAG
1.1 先讲个故事
想象你雇了一位特别聪明、但刚来公司第一天的员工。他上知天文下知地理，可就是不了解你们公司的业务。你问他「我们产品的退款政策是什么」，他只能凭感觉瞎编一个答案——这就是大模型（比如 ChatGPT）的现状。
现在，你给他配了一本《公司业务手册》，告诉他：「回答之前，先翻手册，照着手册说。」他立刻就能准确回答了——这就是 RAG。
RAG = Retrieval（检索）+ Augmented（增强）+ Generation（生成）
翻译成人话：先检索资料，再让AI基于资料生成回答。
1.2 为什么 RAG 这么重要？
大模型有三个天生的毛病，RAG 正好能治：
- 爱瞎编（幻觉）：不知道的事也敢编，RAG 让它「有据可查」
- 不懂你的私事：训练数据里没有你公司的资料，RAG 现场喂给它
- 知识过期：模型知识停留在训练时点，RAG 随时更新资料库
一句话总结：RAG 让大模型从「闭卷考试」变成「开卷考试」。
1.3 RAG 的工作流程（五步走）
第一步 · 加载：把你的文档（PDF/Word/TXT）读进系统
第二步 · 切分：把长文档切成一段段小知识块（就像把书拆成一页页卡片）
第三步 · 建索引：给每块内容建立「特征指纹」，方便快速查找
第四步 · 检索：用户提问时，找出最相关的几块资料
第五步 · 生成：把找到的资料 + 用户问题一起交给大模型，让它照着资料回答
第二章 深入一点：RAG 的技术原理
2.1 为什么要「切分」？
大模型的「记忆窗口」（上下文长度）是有限的，不能一次塞进去一整本书。而且资料越杂，模型越容易抓不住重点。所以要把文档切成小块，每次只把最相关的几块喂给模型。
切分策略很关键：切得太碎，语义不完整；切得太粗，检索不精准。本工具采用「按段落/标题切分 + 超长段落二次切分」的智能策略。
2.2 怎么找到「最相关」的资料？
这一步叫「向量检索」。核心思路是：把每块资料和用户问题都转换成一串数字（叫「向量」），然后计算它们之间的「相似度」，越相似越相关。
专业方案用「嵌入模型」（Embedding）把文本转成向量。本工具为了让老板您零门槛使用（不用下载几个G的模型），采用了轻量级的 TF-IDF 方案，效果同样可靠，且完全离线。
2.3 为什么能防止瞎编？
关键在于「提示词约束」。我们明确告诉大模型：「只准用参考资料回答，资料里没有就说不知道。」这就把模型的发挥空间限制住了，从源头掐掉幻觉。
2.4 RAG 的进阶方向
- 混合检索：向量检索 + 关键词检索，取长补短
- 重排序（Rerank）：对初步检索结果再精排一遍
- 多轮对话：记住上下文，支持追问
- 多模态：支持图片、表格、扫描件的理解
第三章 动手：做出你的小工具
3.1 工具介绍：智答宝
「智答宝」是一款本地知识库问答助手，具备以下特点：
- 支持导入 PDF / Word / TXT / MD 文档
- 自动切分、建库，一键完成
- 基于你的文档回答问题，并标注出处
- 纯本地运行，数据不出电脑，隐私安全
- 界面友好，双击即用，无需编程基础
3.2 怎么用？
第一步：双击运行 app.py（或打包后的 exe）
第二步：点击「导入文档」或「导入整个文件夹」
第三步：在右侧输入框提问，比如「这份合同的付款周期是多久？」
第四步：AI 依据你的文档给出答案，并列出参考来源
3.3 技术架构
整个工具由五个模块组成：
- loader.py：文档加载与解析（PDF/Word/TXT）
- splitter.py：智能文本分块
- vectorstore.py：本地向量库（TF-IDF 检索）
- llm.py：大模型调用与提示词约束
- rag.py：RAG 主流程串联
界面采用 CustomTkinter，现代美观，跨平台可用。
第四章 谁需要RAG工具？
4.1 为什么 需要RAG 工具？
因为它解决的是企业的「真痛点」——每个公司都有一堆文档，员工找不到、客户问不停、新人上手慢。而市面上的方案要么贵，要么要上云，很多企业（尤其是中小企业）对数据安全很敏感。
本地部署 + 私有数据 + 低成本 = 强需求 + 高溢价
